图像风格迁移是用风格图像对指定图像的内容进行重映射, 利用GAN自动进行图像风格迁移, 可减少工作量, 且结果丰富。特定情况下GAN方法所用的配对数据集很难获得。为了避免利用传统GAN进行图像风格迁移受到成对数据集的限制, 提高风格迁移效率, 本文利用改进的循环一致性对抗网络CycleGAN实现图像风格迁移, 用密集连接卷积网络DenseNet代替原来网络生成器的深度残差网络ResNet, 用同一映射损失和感知损失组成的损失函数度量风格迁移损失。所做改进使网络性能得到了提升, 取消了网络对成对样本的限制, 提高了风格迁移生成图像的质量。同时进一步提高了稳定性, 加快了网络收敛速度。论文所提方法对建筑图像进行了风格迁移, 实验结果表明, 生成图像的PSNR值平均提高了6.27%, SSIM值均提高了约10%。因此, 本文提出的改进的CycleGAN图像风格迁移方法生成的风格图像效果更优。

提出了一种利用Wasserstein重心坐标作为图像描述子的图像重复区域盲检测算法。通过度量各图像块Wasserstein重心坐标间的最小欧式距离确定图像重复区域初始搜索块,再对初始搜索块进行扩展, 利用改进的PatchMatch算法寻找相关度高的图像块, 从而搜索出完整的图像重复区域。实验结果表明, 提出的基于Wasserstein直方图欧氏度量的图像重复区域盲检测算法能够检测出复制粘贴的伪造区域, 对于带有旋转和缩放等几何攻击的伪造区域检测率维持在90%以上。该算法对复制粘贴、尺度变化和旋转几何攻击具有良好的鲁棒性。